initial commit

convert.sh

@@ -0,0 +1,114 @@
+#!/usr/bin/env zsh
+# 並列バッチOCR（zsh + xargs）
+# 依存: img2pdf, ocrmypdf, Tesseract
+# 使い方:
+#   ./batch_ocr_parallel.zsh ROOT_DIR [OUT_DIR] [-P N] [--recursive]
+# 例:
+#   ./batch_ocr_parallel.zsh ./ROOT ./out_pdfs -P 4 --recursive
+
+emulate -L zsh
+set -euo pipefail
+
+# ---- 引数処理 ----
+ROOT="${1:-}"
+[[ -z "${ROOT}" ]] && { print -u2 -- "Usage: $0 ROOT_DIR [OUT_DIR] [-P N] [--recursive]"; exit 2; }
+shift
+
+OUT="out_pdfs"
+PROCS=""
+RECURSIVE=0
+
+if (( $# )); then
+  # 2番目がディレクトリ名っぽければ OUT に採用
+  if [[ -n "${1:-}" && "${1:-}" != "-P" && "${1:-}" != "--recursive" && "${1:-}" != "-r" ]]; then
+    OUT="$1"; shift
+  fi
+  # 残りのオプション
+  while (( $# )); do
+    case "$1" in
+      -P) PROCS="${2:-}"; shift 2 ;;
+      --recursive|-r) RECURSIVE=1; shift ;;
+      *) print -u2 -- "Unknown arg: $1"; exit 2 ;;
+    esac
+  done
+fi
+
+# 並列度のデフォルト（未指定ならCPUコア数）
+if [[ -z "${PROCS}" ]]; then
+  if command -v nproc >/dev/null 2>&1; then
+    PROCS="$(nproc)"
+  elif command -v sysctl >/dev/null 2>&1; then
+    PROCS="$(sysctl -n hw.ncpu)"
+  else
+    PROCS=2
+  fi
+fi
+
+# 出力先
+mkdir -p -- "$OUT"
+
+# ---- ワーカー（サブディレクトリ1つを処理）を一時ファイルに作成 ----
+WORKER="$(mktemp -t ocrmypdf_worker.XXXXXX).zsh"
+cat > "$WORKER" <<'ZSH'
+#!/usr/bin/env zsh
+emulate -L zsh
+set -euo pipefail
+setopt null_glob
+
+ROOT="$1"
+OUT="$2"
+DIR="$3"
+
+name="${${DIR#${ROOT%/}/}#/}"       # ROOT/ 以降を相対名に（深い場合は "A/B"）
+base="${DIR:t}"                      # 末尾名（単純名）
+
+# 画像拡張子
+typeset -a exts; exts=( jpg jpeg png tif tiff JPG JPEG PNG TIF TIFF )
+
+# 画像列挙
+typeset -a imgs; imgs=()
+for ext in $exts; do
+  imgs+=("$DIR"/*.${ext})
+done
+
+if (( ${#imgs} == 0 )); then
+  print -u2 -- "[skip] ${name} (no images)"
+  exit 0
+fi
+
+# 一時PDF
+tmp_pdf="$(mktemp -t "ocr_${base}.XXXXXX").pdf"
+
+# 1) 画像 → 無劣化PDF結合（-o を先に、-- の後に入力）
+img2pdf --auto-orient -o "$tmp_pdf" -- "${imgs[@]}"
+
+# 出力ファイル名（ネストを __ でつなぐ）
+out_pdf="$OUT/${name//\//__}.pdf"
+mkdir -p -- "${out_pdf:h}"
+
+# 2) OCR（タイプ打ち英語向けチューニング）
+ocrmypdf \
+  -l eng \
+  --tesseract-oem 1 \
+  --tesseract-pagesegmode 6 \
+  --optimize 1 \
+  --output-type pdf \
+  "$tmp_pdf" "$out_pdf"
+
+rm -f -- "$tmp_pdf"
+print -r -- "✅ Wrote: $out_pdf"
+ZSH
+chmod +x "$WORKER"
+
+# ---- 対象ディレクトリ列挙 → xargs 並列実行 ----
+if (( RECURSIVE )); then
+  # ROOT 配下の全サブディレクトリ（ROOT 自身は除外）
+  find "$ROOT" -mindepth 1 -type d -print0 \
+    | xargs -0 -I {} -n 1 -P "$PROCS" "$WORKER" "$ROOT" "$OUT" {}
+else
+  # 直下のサブディレクトリのみ
+  find "$ROOT" -mindepth 1 -maxdepth 1 -type d -print0 \
+    | xargs -0 -I {} -n 1 -P "$PROCS" "$WORKER" "$ROOT" "$OUT" {}
+fi
+
+print -r -- "Batch complete. (parallel: $PROCS)"